Tasación de Departamentos en Lima: Laboratorio Multimodelo
Cuatro enfoques de Machine Learning para predecir el precio de un departamento a partir de los mismos 6 datos, entrenados con anuncios de Properati Lima. Compara su precisión, cómo deciden y cómo se explican (XAI).
Regresión Lineal Ridge
Disponible ⚡Modelo log-lineal regularizado: estable, rápido e interpretable por diseño.
- MAE (test): —
- Feature engineering: Sí (automático)
- Interpretabilidad: Por diseño + SHAP
Árbol de Decisión (CART)
Disponible ⚡Hasta 5 preguntas sí/no que puedes seguir con el dedo, de la raíz a la hoja.
- MAE (test): —
- Feature engineering: Sí (automático)
- Interpretabilidad: Por diseño + SHAP
Random Forest
Disponible ⚡La sabiduría de las multitudes: 300 árboles que votan.
- MAE (test): —
- Feature engineering: Sí (automático)
- Interpretabilidad: SHAP a posteriori
XGBoost (Gradient Boosting)
Disponible ⚡Cientos de árboles pequeños, cada uno corrigiendo los errores del anterior.
- MAE (test): —
- Feature engineering: Sí (automático)
- Interpretabilidad: SHAP a posteriori
Comparativa honesta
Todos los modelos se evaluaron con los mismos departamentos de prueba, que ninguno vio al entrenar. El intervalo de confianza del MAE indica cuánto podría variar el error con otra muestra de prueba.
| Modelo | MAE | IC 95% del MAE | MAPE | R² | Cobertura 80% |
|---|---|---|---|---|---|
| Ridge | — | — | — | — | — |
| Árbol de Decisión | — | — | — | — | — |
| Random Forest | — | — | — | — | — |
| XGBoost | — | — | — | — | — |
¿Cuál es el mejor? Entre Ridge, Random Forest y XGBoost las diferencias de error están dentro del margen de incertidumbre: sus intervalos de confianza se solapan casi por completo, así que con estos datos no hay un ganador claro. El árbol de decisión simple es algo menos preciso, a cambio de poder leerse paso a paso.